w wyl123ly 的博客
MD

5-3-克莱姆法则与体积

87 KB 2026.10.11 原文件

5-3 克莱姆法则与体积

一句话概括

本篇把 5-2-排列与代数余子式 的展开定理投入使用:先用它推出克莱姆法则(Cramer's rule) 与伴随矩阵求逆公式 ,再说明它们为什么"漂亮但不好用";

然后转向行列式最重要的几何含义—— 是线性变换对体积的伸缩因子,并由此解释 、叉积(cross product)、三重积与重积分换元中的 Jacobi 行列式。


一、定义

1.1 克莱姆法则所需的记号

设 为 阶方阵, 表示 的第 列,

定义 1() 把 的第 列换成 、其余列不动,得到的矩阵记作 :

定义 2(伴随矩阵,adjugate / classical adjoint) 设 是元素 的代数余子式,把 排成矩阵后转置,得到的矩阵称为 的伴随矩阵:

即 。国内教材把它记作 ,本库两种记号并用(以 为主)。

一定要转置

伴随矩阵是"代数余子式矩阵的转置"。这个转置不是笔误,而是定理 成立的关键(证明见 3.2 节)。

1.2 叉积与三重积

定义 3(叉积,cross product) 对 中两个向量 、,定义

这是一个形式行列式(formal determinant):第一行写符号向量 ,按第一行展开,把各代数余子式当作 的系数。

定义 4(三重积,scalar triple product)

定义 5(Jacobi 行列式) 设变换 连续可微,定义

称为该变换的 Jacobi 行列式(Jacobian determinant)。三维情形是相应的 行列式 。


二、几何直观

2.1 是体积的伸缩因子

把 阶实矩阵 看成线性变换 。则对任何可测集合 ,

维(面积): 把单位正方形变成以 、 为邻边的平行四边形,其面积为 。

它的几何含义是:右端就是由 、 两个列向量张成的平行四边形的带符号面积。

维(体积): 是三个列向量张成的平行六面体的体积。

一般 维: 是平行 面体的体积,称为"体积元"(volume element)的伸缩率。

2.2 符号 = 定向

行列式的符号记录变换是否保持空间的定向(orientation,即"右手系/左手系"):

变换类型例子几何效果
旋转面积不变,定向不变
反射面积不变,定向翻转(镜像)
剪切面积不变,定向不变
缩放面积乘以
投影平面被压成一条直线

在 中,""就是"右手系仍是右手系"。物理中的镜像世界(宇称变换)正是靠行列式的符号来刻画的。

2.3 意味着"降维压扁"

等价于 ,即 把整个 映到至多 维的子空间(列空间)中:

  • :平面被压成一条直线或一个点,面积变为 ;
  • :空间被压成一个平面、一条直线或一个点,体积变为 。

例: 的两列成比例,,它把所有向量映到直线 上——像空间的维数是 。这也解释了为什么 时 不再有唯一解:映射"压扁"了,信息丢失,无法反演。参见 3-5-四大子空间的维数。

2.4 用体积解释 依次作用两个变换 与 :

按体积伸缩:

另一方面 ,于是

注意这只是绝对值版本。 几何图像不区分"是否翻转"(因为体积永远非负)。要得到完整的符号版本 ,必须补一个代数论证(见 3.4 节)——这是"几何直观能带你走多远"的典型例子。

2.5 叉积的几何图像

是同时垂直于 与 的向量,方向由右手定则(right-hand rule)确定,长度等于以 为邻边的平行四边形面积:

行列式在这里的作用是"给出坐标":形式行列式的三个代数余子式恰好就是叉积的三个分量。平行四边形的面积可以用行列式算,也可以用叉积的模算,两者一致。

2.6 Jacobi 行列式 = 局部体积伸缩率

非线性变换没有"整体的伸缩因子",但在每个点附近可以用线性化(导数矩阵,即 Jacobian 矩阵)来近似,于是

意义: 平面上一个无穷小矩形,映射后在 平面上变成一个无穷小平行四边形,其面积是原面积的 倍。这正是"行列式 = 面积伸缩因子"在局部成立的形式,也是二重积分换元公式的来源。

例(极坐标):、,则

所以 ,单位圆面积

越靠近原点, 越小,面积元越小——这就是 这个因子的几何含义,不是"凭空多出来的"。


三、性质与定理

3.1 克莱姆法则

定理 1(克莱姆法则,Cramer's rule) 设 为 阶方阵,,则线性方程组

有唯一解,且对每个 ,

其中 是把 的第 列换成 得到的矩阵(定义 1)。

适用条件: 必须是方阵且 (即系数矩阵可逆)。方程个数与未知数个数不等、或 时不能使用。

证明(用列的多重线性性)

由 5-1-行列式的性质,行列式对每一列都是线性的。因为方程组有解 ,右端向量可以写成 的列的线性组合:

把这个表达式代入 的第 列(其余列 不动):

对第 列用线性性,把求和号提到行列式外面:

(第 个位置现在放的是 。)逐项讨论:

  • 当 时,括号里的矩阵就是 本身,其行列式为 ;
  • 当 时,括号里的矩阵在第 列与第 列上都等于 ,两列相同,由性质"两列相同则行列式为 "得该项为 。

于是 。又 ,两边同除即得结论。唯一性也由此得到:任何解都必须满足 ,解被完全确定。

推论 1(齐次方程组) 设 为 阶方阵,则齐次方程组 有非零解当且仅当 。

证明 若 ,由克莱姆法则(取 )得 (此时 含一列全零,行列式为 ),只有零解。反之若 ,则 不可逆、,由秩—零化度定理 ,故有非零解。

3.1.1 完整表述: 与 的分水岭

国内教材把克莱姆法则叫作克拉默法则,写法与记号和本节前面略有不同,但内容完全一致。这里把它补全,重点是 的讨论——这才是考试真正考的地方。

定理 1'(克拉默法则,国内写法) 设 元线性方程组

的系数行列式 ,则方程组有唯一解

其中 是把 的第 列换成右端常数项 所得的 阶行列式。

条件的"三件套"(缺一不可)

  1. 方程个数 未知数个数 ——否则 根本写不出来;
  2. ——否则要除以零;
  3. 系数与常数取实数或复数都可以(结论是代数恒等式)。

定理 1''( 时只有两种可能) 设 为 阶方阵,,则

  • 或者无解(当 ,即右端不在列空间内);
  • 或者有无穷多解(当 )。此时若 是一个特解、 是零空间 的一组基(),则全部解为

证明("为什么不可能恰好一个解") 设 是解。因为 , 奇异,由推论 1, 含非零向量 。于是对任意实数

即 对一切 都是解。不同的 给出不同的解,所以解要么一个都没有,要么有无穷多个——永远不会"恰好一个"。

几何图像 是过原点的直线(或平面、更高维子空间),解集就是把它平移 之后得到的仿射子空间:一条直线、一个平面,或整个空间。当 时 ,这条"直线"退化为一个点,解才唯一。这正好呼应 2.3 节的图像: 意味着 把空间压到了低维,信息丢失,多个输入对应同一个输出。

推论 1'(齐次方程组,国内考试最高频的结论) 设 为 阶方阵,则齐次方程组

  • 只有零解 ;
  • 有非零解(此时必有无穷多解)。

写成一行(考试可直接引用):

齐次方程组 有非零解,当且仅当

五句话互相等价(必须背下来)

对 阶方阵 ,下面五条彼此等价:

1. ;

2. 不可逆(奇异);

3. ,即 的列(行)组线性相关;

4. 齐次方程组 有非零解;

5. 是 的特征值(6-1-特征值引论 推论 1)。

国内考试里"求参数使方程组有非零解"的题,本质就是解方程 ;而第 6 章"求特征值"解的是同一个方程,只是参数从 换成了 。两章共用同一台机器——这是全库最重要的"接口"之一。

含参数题的标准流程(三步走)

步骤做什么注意
第 1 步算 (含参数的行列式,用 [[5-2-排列与代数余子式]] 第四章的"造零 + 展开")必须因式分解成 ,否则看不出临界值
第 2 步解 的范围这些参数值下才有唯一解,此时才可写
第 3 步对每个使 的参数值,代回原方程组,用消元法判断是"无解"还是"无穷多解";若题目要通解,再写基础解系不能只说" 所以无解"——这是本考点第一大失分点

去掉""这个条件会怎样

克莱姆法则的推导中出现了因子 ,所以 不是技术性假设,而是公式本身的一部分。当 时:

- 不存在, 无从写起;

- 没有意义(分母为零)。即使 恰好也等于 ,也不能说"解为零向量"——那是 型,什么结论都得不出来;

- "无解"与"无穷多解"这两种情形无法仅由 区分,必须比较 与 (3-3-Ax=b的完整解)。

另外,方程个数 未知数个数时也谈不上 :这时只能用秩判据,或先消去多余方程。而当 且方程组无解时,工程上正确的出口不是"继续找公式",而是求最小二乘解(4-3-最小二乘逼近)——那是第 4 章的地盘。

3.2 伴随矩阵公式

定理 2(伴随矩阵的基本恒等式) 对任意 阶方阵 (不要求可逆),

证明 只看 的第 个元素。由矩阵乘法与 :

这正是 5-2-排列与代数余子式 定理 5(异乘变零定理)的内容:

( 时是展开定理, 时是异乘变零。)因此 。同理对第 列展开可得 。

定理 3(逆矩阵的伴随公式) 若 ,则

证明 由定理 2,,两边左乘 即得。

推论 2(伴随矩阵的其他性质) 设 为 阶方阵():

  1. ;
  2. 若 可逆,则 ,且 也可逆,;
  3. 秩的关系:

  1. 若 可逆,则 。

证明思路 (1)对 两边取行列式:,当 时可约去 得 ; 的情形由多项式恒等式的连续性(或直接验证)得到。

(3) 时 可逆; 时 至少有一个 阶子式非零,故 ,但 说明 的每一列都在 中,而 ,故 ; 时所有 阶子式为零,。

3.3 克莱姆法则为什么"不实用"

代价 1:要算 个行列式。 用消元法算一个 阶行列式约需 次运算,故克莱姆法则需

而直接对 做一次 LU 分解()再回代()即可解出全部 。克莱姆法则慢了整整一个 的因子。

消元法()克莱姆法则()倍数

代价 2:数值不稳定。 克莱姆法则的形式是"两个行列式相除",而

  • 行列式本身对误差极其敏感:(奇异值之积),病态矩阵的 可能巨大或极小,导致上溢/下溢。 的随机矩阵其行列式量级可达 以上,双精度浮点(上限约 )尚可, 时直接溢出。
  • 它没有选主元的机会:消元法可以通过行交换把误差控制住(部分选主元,见 11-1-数值稳定性与LU),而 的公式是"封闭形式",无法在计算过程中做稳定性处理。
  • 相对误差的量级是 (条件数),因此病态问题下克莱姆法则给出的解可能完全没有有效数字。参见 11-2-范数与条件数。

那它还有什么用?

  1. 理论价值:它给出解对数据的显式依赖关系,例如灵敏度公式 (由定理 3 得 ,对 求偏导即可)。这在误差分析、参数估计、电路灵敏度分析中非常有用。
  2. 小规模符号计算: 且元素含参数(如电路中的 )时,克莱姆法则给出的表达式最直观。
  3. 证明唯一性与结构:推论 1(齐次方程组有非零解 )就是靠它得到的,它是特征值理论的入口(6-1-特征值引论)。
  4. 精确算术:在整数/有理数运算中(例如用 Bareiss 算法或分数运算),克莱姆法则的每一项都是精确的,不存在消元法的舍入累积——这是符号计算软件里它仍有一席之地的原因。

3.4 行列式的体积定理与乘法定理

定理 4(体积伸缩定理) 设 为 阶实矩阵, 为可测集,则

特别地, 等于 的 个列向量张成的平行 面体的体积。

证明思路 分三类矩阵逐步验证(这也是 Strang 5.3 节的讲法):

  1. 置换矩阵:,而 只是把坐标轴重新排列,体积不变;
  2. 对角矩阵 :每一维按 缩放,体积乘以 ;
  3. 剪切矩阵(把一行的倍数加到另一行):体积不变,而 也不变。

由消元法,任何可逆矩阵都能写成 的形式(2-5-LU分解与转置置换),而 是剪切矩阵的乘积、 是对角矩阵与剪切矩阵的乘积,逐类相乘即得结论。若 奇异,则 落在低维子空间里,体积为 。

定理 5(行列式乘法定理) 对任意同阶方阵 ,

几何部分(给出绝对值):由 2.4 节的复合变换论证得 。

代数部分(补齐符号) 固定 ,把 看作变量,定义

  • 的第 行是 的第 行的线性组合(系数来自 ),所以 对 的每一行都是线性的;
  • 若 有两行相同,则 也有两行相同,故 ;
  • 。

由 5-1-行列式的性质 的"三条性质唯一确定行列式"(等价地,行列式是唯一的交错多重线性函数),必有 。

推论 3( 的行列式与 )

推论 4(三角形、四面体与单纯形的体积)

  • 以 为顶点的三角形面积:

  • 以 为顶点的四面体体积:

  • 一般地, 维单纯形的体积等于相应行列式的绝对值除以 ( 维时是 , 维时是 )。

3.5 叉积的性质

定理 6(叉积的基本性质) 对 、:

  1. 反交换:,特别地 ;
  2. 与两者都正交:,;
  3. 长度 = 面积:,其中 是两向量夹角;
  4. 拉格朗日恒等式:;
  5. 线性:,;
  6. 不满足结合律:一般地 (有"BAC–CAB"公式)。

证明(思路)

(1)交换形式行列式的第 2、3 行,由换行变号即得 。

(2)例如 可以写成三行分别为 的行列式(这就是三重积,见 3.6 节),其中两行相同,故为 。

(3)由(4)即得:,取非负平方根。

(4)把两边按分量展开直接验证(或用四元数乘法),是纯代数计算。

(5)形式行列式对第 2、3 行线性,故对 、 线性。

(6)取 、、:,而 。

例 取 、:

这与 numpy.cross 官方文档的示例一致(文档中 、 给出 array([-3, 6, -3]))。

3.6 三重积与平行六面体

定理 7(三重积 = 行列式) 对 ,

它等于以 为棱的平行六面体的带符号体积。

性质(都由行列式的行性质直接得到):

  1. 轮换不变:(交换两次行 = 两次变号);
  2. 交换两个向量变号:;
  3. 共面判据: 线性相关(三向量共面或有一个为零);
  4. 体积:平行六面体体积 ,四面体体积 。

例(共面判据) 取 、、:

三重积为 ,故三向量共面(确实,它们都在平面 上)。这是"三点共线、四点共面"类问题的标准判据。

3.7 重积分换元与 Jacobi 行列式

定理 8(二重积分换元公式) 设变换 在区域 上连续可微、一一对应且 Jacobi 行列式处处非零,则

适用条件:变换必须是 的一一映射(或至多在零测集上不满足),且 Jacobi 行列式不为 (这是反函数定理的条件)。Jacobi 行列式取绝对值。

性质:

  1. 互逆变换的 Jacobi 行列式互为倒数:(由链式法则与 )。
  2. 线性变换: 时 Jacobi 矩阵就是 ,伸缩因子 是常数。
  3. 常用坐标系的 Jacobi 行列式:
坐标系变换Jacobi 行列式
极坐标
柱坐标
球坐标
椭圆坐标
  1. 概率密度换元:若 是一一可微变换,则 ——多元分布的密度变换公式里出现的正是 Jacobi 行列式(第 12 章会用到)。

四、计算方法与步骤

4.1 克莱姆法则的步骤

  1. 确认前提:方程个数 未知数个数 ;先算 并确认 。
  2. 构造 :对 ,把 的第 列换成右端向量 ,其余列原样保留。
  3. 算行列式: 用消元法或"造零 + 展开"计算(5-2-排列与代数余子式 第四章)。
  4. 作商:。
  5. 回代验证:至少代回一个方程检查。
  6. 若 :克莱姆法则失效,改用消元法判断是"无解"还是"无穷多解"(看 是否在列空间内),见 3-3-Ax=b的完整解。

手算时的省力技巧

当 中有很多 ,或 的某几列结构简单时, 会很快出现整列成比例、整列为零的情形,可以立刻判定为 。另外, 时优先用"未知量交叉相减"的现成公式,不必真的写 。

4.2 伴随矩阵求逆的步骤

  1. 算 ;若为 则 不可逆,停止(此时 仍可能存在,但公式 失效)。
  2. 逐个计算 个代数余子式 (每个需要算一个 阶行列式)。
  3. 把 按原位置排成矩阵,再转置,得 。
  4. 用 得到逆矩阵。
  5. 抽查验证: 的某一行乘 的某一列应得到 。

代价: 个 阶行列式,用消元算每个需 ,总计 。因此手工只适合 ,实际计算一律用 Gauss–Jordan 消元(2-4-矩阵运算与逆矩阵)。

4.3 用 numpy 计算与验证

import numpy as np

A = np.array([[2.0, 1.0, -1.0],
              [1.0, -1.0, 1.0],
              [3.0, 2.0, 1.0]])
b = np.array([1.0, 2.0, 10.0])

# ---- 1) 克莱姆法则:需要 n+1 个行列式 ----
dA = np.linalg.det(A)
x_cramer = []
for i in range(A.shape[0]):
    Ai = A.copy()
    Ai[:, i] = b                     # 把第 i 列换成 b
    x_cramer.append(np.linalg.det(Ai) / dA)
print("det A      :", dA)                             # -9.0
print("Cramer 解  :", np.round(x_cramer, 10))         # [1. 2. 3.]

# ---- 2) 直接消元:O(n^3),数值上应优先 ----
print("solve 解   :", np.linalg.solve(A, b))          # [1. 2. 3.]

# ---- 3) 伴随矩阵(定义直接翻译,仅供小矩阵/教学) ----
def adjugate(M):
    n = M.shape[0]
    C = np.zeros_like(M, dtype=float)
    for i in range(n):
        for j in range(n):
            minor = np.delete(np.delete(M, i, axis=0), j, axis=1)
            C[i, j] = (-1) ** (i + j) * np.linalg.det(minor)
    return C.T                        # 注意转置

adj = adjugate(A)
print("A @ adj(A) :\n", np.round(adj @ A, 10))        # ≈ det(A) * I
print("逆矩阵      :\n", np.round(adj / dA, 6))
print("inv 对照    :\n", np.round(np.linalg.inv(A), 6))

numpy 的行列式是怎么算的

numpy.linalg.det 文档明确说明:行列式通过 LU 分解(LAPACK 例程 z/dgetrf)计算,即"分解后取 的对角元乘积"。scipy.linalg.det 文档同样说明是"用 LAPACK getrf 做 LU 分解,再算 的对角元乘积",并补充两点:奇异矩阵返回 ;单精度输入也会以双精度返回结果以防上溢。

因此 numpy 不会去展开 项,也不会用伴随矩阵——这与本篇的结论一致:定义负责理论,消元负责计算。矩阵很大时( 容易溢出/下溢)应改用 numpy.linalg.slogdet 取对数行列式。

4.4 体积与叉积的计算步骤

  1. 平行四边形面积 / 平行六面体体积:把向量按行(或按列)排成矩阵,取 (行、列都可以,因为 )。
  2. 三角形面积 / 四面体体积:先把一个顶点平移到原点(其余顶点减去它),再取 或 。
  3. 叉积:三维用分量公式或 np.cross;用 算面积,并与 互相验证。
  4. 共面判据:三重积(即 行列式)是否为 。
  5. 换元积分:写出 Jacobi 矩阵 ,算其行列式,取绝对值后写进积分。
  6. 数值复核:用"鞋带公式"(shoelace)独立算多边形面积,或用蒙特卡洛采样估体积,与 对照。

五、例题

例题 1( 克莱姆法则) 解方程组

解 系数矩阵与右端向量:

第一步:算 。

故有唯一解,可用克莱姆法则。

第二步:把第 列换成 求 。

第三步:把第 列换成 求 。

第四步:回代验证。

解为 。

几何解释:两条直线 与 交于点 , 说明两直线不平行。

例题 2( 克莱姆法则,完整演示) 解方程组

解 记

第一步:算 (按第 1 行展开)。

第二步:三个替换矩阵与它们的行列式。

按第 1 行展开:

第三步:作商。

第四步:回代验证。

解为 。

例题 3(伴随矩阵求逆,) 求

的伴随矩阵与逆矩阵。

解 第一步:算 (按第 1 行展开)。

第二步:算全部 个代数余子式。

第三步:转置得到伴随矩阵。

第四步:验证 (因为 )。

第一行乘第一列:

第一行乘第二列:

第二行乘第一列:

第三行乘第三列:

其余元素同理为 。

第五步:写出逆矩阵。 因为 ,

若 不是 ,只需把每个元素都除以 。

的伴随公式(务必背下来)

记忆法:主对角元互换、副对角元变号,再除以行列式。这与 numpy.linalg.inv 文档中 的示例一致()。

例题 4(面积:三角形与平行四边形)

(1) 求以 、、 为顶点的三角形面积。

解 把 平移到原点,另两个顶点减去 :

(2) 求以 、 为邻边的平行四边形面积。

解

注意若交换两个向量的顺序,行列式变号但面积不变——这正是"面积取绝对值"的体现。

例题 5(叉积、三重积与体积)

设 、、。

(1) 求 。

解 按形式行列式展开:

(2) 求 张成的平行四边形面积。

解

用 Gram 行列式独立验证(面积平方 , 为 Gram 矩阵):

,与上面一致。(这正是 4-4-标准正交基与Gram-Schmidt 中 Gram 行列式的几何含义。)

(3) 求以 为棱的平行六面体体积,以及相应四面体体积。

解

三重积为负,说明 构成左手系(换任意两个向量的顺序即可变正)。

(4) 判断 、、 是否共面。

解

三重积为 ,故三向量共面(它们都满足 )。

例题 6(线性变换的面积、定向与降维)

(1) 求 对面积的伸缩因子,并说明定向。

解

面积伸缩因子为 ;因为 ,定向不变。例如单位正方形被映成顶点为 、、、 的平行四边形,面积确为 。

(2) 反射 呢?

解 ,:面积不变,但定向翻转(右手系变成左手系)。

(3) 把平面变成什么?

解 ,故 奇异,。所有向量都被映到直线 上(因为第二列是第一列的 倍),二维面积被压成 。这就是" 意味着降维压扁"的实例,也说明为什么此时 只在 落在这条直线上时才有解。

例题 7(Jacobi 行列式:椭圆面积与积分换元)

(1) 求椭圆域 的面积。

解 作变换

它把单位圆盘映成该椭圆。Jacobi 矩阵与行列式:

于是

(其中 表示该椭圆区域。)

验算:椭圆面积公式 给出 ,一致。(顺带说明一般结论:单位圆盘经 变换后面积乘 。)

(2) 用极坐标重算单位圆面积(对照 2.6 节)。

解 、,Jacobi 行列式为 ,

若漏掉因子 (即误把 写成 ),结果会变成 ——这是初学者最常见的换元错误。

例题 8(用 numpy 验证" = 体积")

下面这段代码用与行列式无关的方法(鞋带公式、叉积、Gram 行列式)独立验证体积解释,可直接运行:

import numpy as np

# ---- 1) 2 维:单位正方形经 A 变换后的面积 ----
A = np.array([[2.0, 1.0],
              [1.0, 2.0]])
print("|det A|          :", abs(np.linalg.det(A)))       # 3.0

def shoelace(pts):
    x, y = pts[:, 0], pts[:, 1]
    return 0.5 * abs(np.dot(x, np.roll(y, -1)) - np.dot(y, np.roll(x, -1)))

# 单位正方形的像:顶点 0, A[:,0], A[:,0]+A[:,1], A[:,1]
P = np.array([[0.0, 0.0], A[:, 0], A[:, 0] + A[:, 1], A[:, 1]])
print("鞋带公式算面积    :", shoelace(P))                 # 3.0  → 与 |det| 一致

# ---- 2) 3 维:平行六面体体积 = |三重积| = |det| ----
u = np.array([1.0, 2.0, 3.0])
v = np.array([4.0, 5.0, 6.0])
w = np.array([1.0, 0.0, 2.0])
print("|det[u;v;w]|     :", abs(np.linalg.det(np.vstack([u, v, w]))))   # 9.0
print("|u·(v×w)|        :", abs(np.dot(u, np.cross(v, w))))            # 9.0

# ---- 3) 叉积长度 = 平行四边形面积;Gram 行列式独立验证 ----
c = np.cross(u, v)
G = np.array([[u @ u, u @ v],
              [u @ v, v @ v]])
print("u×v              :", c)                          # [-3.  6. -3.]
print("|u×v|            :", np.linalg.norm(c))          # 7.348469...
print("sqrt(det G)       :", np.sqrt(np.linalg.det(G)))  # 7.348469... 一致

# ---- 4) 定向与降维 ----
print("反射 det         :", np.linalg.det(np.diag([1.0, -1.0])))   # -1.0
S = np.array([[1.0, 2.0], [2.0, 4.0]])
print("奇异矩阵 det/秩   :", np.linalg.det(S), np.linalg.matrix_rank(S))  # 0.0 1

# ---- 5) 极坐标 Jacobi 行列式的数值验证 ----
def polar(r, t):
    return np.array([r * np.cos(t), r * np.sin(t)])

r0, t0, h = 1.3, 0.7, 1e-6
d_dr = (polar(r0 + h, t0) - polar(r0, t0)) / h   # ∂(x,y)/∂r
d_dt = (polar(r0, t0 + h) - polar(r0, t0)) / h   # ∂(x,y)/∂θ
J = abs(d_dr[0] * d_dt[1] - d_dr[1] * d_dt[0])
print("数值 Jacobi       :", J, " 解析值 r =", r0)      # ≈1.3  1.3

输出要点: 与鞋带公式算出的面积一致();三维情形 、三重积 都是 ;;数值 Jacobi 行列式等于 。四种互相独立的算法给出同一个数,这就是体积解释的可验证性。

输出要点: 与鞋带公式算出的面积一致();三维情形 、三重积 都是 ;;数值 Jacobi 行列式等于 。四种互相独立的算法给出同一个数,这就是体积解释的可验证性。

输出里的小数尾巴

由于浮点误差,实际运行可能打印 2.9999999999999996 或 8.999999999999998 而不是整整齐齐的 3.0、9.0。这不是算法错了,而是二进制浮点无法精确表示某些中间结果;比较时应使用 np.allclose 或 np.round,而不是 ==。原因与处理见 11-1-数值稳定性与LU。

例题 9(含参数方程组:唯一解、无穷多解、无解三种情形全出现)

题目

讨论 取何值时,线性方程组

有唯一解、无解、无穷多解?并在有唯一解时用克莱姆法则写出解。

第 1 步:算系数行列式并因式分解。

因式分解: 时 ,故有因子 ;作除法

即

第 2 步: 的情形( 且 )。

由克莱姆法则,方程组有唯一解 。逐个算分子行列式。

(i):把第 列换成 。

因式分解:。故

(ii):把第 列换成 。

(iii):把第 列换成 。

验证(取 ):,解为

回代:第 式 ✓;第 式 ✓;第 式 ✓。

第 3 步: 的情形。

此时三个方程都退化为同一个方程

系数矩阵的秩 ,而增广矩阵的秩也是 (右端为 ,与系数行成比例),故 ,方程组有无穷多解,解空间维数 。

取 为自由变量(令 与 求得特解),通解为

(顺带一个观察:把 代入第 2 步的公式得 ,三个分量之和恰为 ——它确实是这里的一个特解。唯一解的公式在 时并不"失效",只是不再唯一。)

第 4 步: 的情形。

此时

注意 的每一行元素之和都是 ,所以三行相加得零向量,;又有非零二阶子式 ,故 。

把原方程组的三个方程相加:左端恒为 ,右端为

矛盾,故方程组无解。(用秩说:增广矩阵三行相加得 ,故 。)

第 5 步:结论汇总。

参数 解的情况
且 唯一解
无穷多解( 个自由变量)
无解

这道题的两个失分点

1. 算出 后直接写" 或 时无解"——错。 只说明"不能用克莱姆法则",必须代回判断。

2. 忘记检验 时右端是否相容。本题右端恰为 ,与系数行成比例,所以相容;若把右端第三个数改成 (即 ), 就变成无解了。

例题 10(齐次方程组有非零解:求参数、求通解、再判伴随矩阵的秩)

题目

已知齐次线性方程组

有非零解。(1)求 的值;(2)求每种情形下的通解(基础解系);(3)当 时求 ()。

第 1 步:把"有非零解"翻译成方程。

由推论 1',齐次方程组有非零解 。这里的系数行列式与例题 9 完全相同(把 换成 ):

第 2 步:解 。

第 3 步: 时的通解。

此时三个方程都成为 ,系数矩阵的秩 ,自由变量个数 。按"自由变量轮流取 、其余取 "的规则:

  • 取 ,由 得 ;
  • 取 ,得 。

基础解系为

通解

(验算: 的三个分量分别为 、、 ✓。)

第 4 步: 时的通解。

此时

三行之和为零向量(每行元素和为 ),故 ;又有非零二阶子式 ,故 。自由变量个数 。

直接观察:取 ,则每行都是 ✓。由于解空间维数为 ,它就是全部解:

第 5 步: 时 。

时 的所有元素都是 ,。由 3.2 节推论 2 第 3 条,

代入 、,得 ,即 (零矩阵)。

直接验证: 的任意二阶子式都是 ,故所有代数余子式全为 , ✓。

对比 :此时 ,故 ——,但它不可逆。同一个公式在两种情形给出完全不同的结论,这正是"秩判据"比" 是否为零"更细致的地方。

本题与例题 9 的关系

两题的系数矩阵完全相同,只是右端不同:例题 9 是非齐次(要讨论三种情形),本题是齐次(只需 ,因为零向量永远是一个解,所以齐次方程组"不是唯一解"就一定是"无穷多解")。

这正是齐次方程组好考、也最好拿分的原因:它没有"无解"这种情形。

例题 11(双参数讨论 + 克莱姆法则数值计算)

题目

讨论 取何值时,线性方程组

有唯一解、无解、无穷多解?并取 、,用克莱姆法则求出唯一解,再写出 、 时的通解。

第 1 步:算系数行列式 。

第 2 步: 时有唯一解。

,由克莱姆法则 。题目要求的数值情形取 ,此时 ,右端 。

(i):把第 列换成 。

(ii):把第 列换成 。

(iii):把第 列换成 。

于是唯一解

回代验证:

第 3 步: 时看行与行的关系。

此时第 行 恰好等于第 、 行之和:

所以 (前两行不成比例),自由变量个数 。

第 4 步:判断相容性(这是 情形的关键一步)。

行变换必须同时作用在系数与右端上,所以第 行的右端必须等于前两行右端之和:

  • :,方程组有无穷多解;
  • :,方程组无解。

第 5 步:、 时的通解。

只需保留两个独立方程:

取 为自由变量。由第 式 ,代入第 式:

再代回得 。故

检验(取 ,即 ):第 式 ✓;第 式 ✓;第 式 ✓。

第 6 步:结论汇总。

参数解的情况
唯一解 ( 时 )
无穷多解:
无解

这道题把本篇的工具全用了一遍

克莱姆法则(第 2 步)、秩判据(第 3、4 步)、基础解系与通解(第 5 步)。注意第 4 步的做法:判断相容性最省力的方式不是硬算增广矩阵的秩(它不是方阵,没有行列式可算),而是看"系数行之间的线性关系是否也被右端满足"。这与 3-3-Ax=b的完整解 中"消元后看有没有出现 ()的行"是同一件事的两种说法。

例题 12(证明:由克莱姆法则推出伴随矩阵求逆公式)

题目

设 为 阶可逆矩阵(), 是第 个标准基向量, 表示元素 的代数余子式。

(1)用克莱姆法则求 的解,证明其第 个分量为 ;

(2)由此推出 。

第 1 步:写出克莱姆法则给出的解。

因为 , 有唯一解,且

其中 是把 的第 列换成 得到的矩阵。

第 2 步:按第 列展开 。

的第 列是

整列只有一个非零元 ,位于第 行。按这一列展开:

其中 是从 中划去第 行与第 列后剩下的 阶行列式。

第 3 步:认出 就是 的一个余子式(全题最容易错的下标)。

与 只在第 列不同,而我们现在要划掉第 列——被划掉的东西不同不重要。所以

即"划去 的第 行、第 列"所得的余子式。注意下标顺序是先 后 :因为在 中被划去的是第 行与第 列。

第 4 步:代回完成(1)。

(用了 。)

第 5 步:由(1)推出(2)。

的第 列恰好是 的解 (因为 就是 的第 列)。于是 的第 个元素就是 :

另一方面,由 1.1 节伴随矩阵的定义 ,两个矩阵的每个元素都相等,故

第 6 步:用 数值例子检查下标有没有搞反。

取 ,则

四个代数余子式:

用第 5 步的公式检查 :

(若把下标写反成 ,就得到错误答案——这正是第 3 步必须小心的地方。)

最后整体验证:

下标陷阱:到底是 还是 ?

第 3 步是全部证明的关键,也几乎是唯一可能出错的地方。记忆办法:伴随矩阵是"代数余子式矩阵的转置",所以

即"伴随矩阵的第 行第 列元素,取的是 "。用 例子( 在左上角)检查一次,就再也不会记反。


六、应用

  1. 灵敏度分析与误差传播(克莱姆法则最实用的"残留价值") 由 得 ,于是

这给出了"输入数据的一个小扰动会如何放大到解上"的显式公式。电路网络分析中的灵敏度、结构力学中的影响线、投入产出模型中的乘数效应都用它。

  1. 计算机图形学与几何计算 三角形的法向量由叉积给出:,其长度是两倍面积;行列式的符号用于判断顶点绕序(顺时针/逆时针),从而实现背面剔除(back-face culling)与光照朝向判定。齐次坐标下的变换矩阵行列式还告诉我们变换是否保持定向(见 10-5-图形学与密码学)。
  1. 物理:叉积与三重积的世界 角动量 、力矩 、洛伦兹力 、电磁学中通过平行六面体的通量与晶格的原胞体积()、刚体的转动惯量张量,全部由叉积与三重积描述。三重积为 就是"三向量共面"这一几何事实的代数版本。
  1. 重积分换元与有限元 二重/三重积分换元时出现的 Jacobi 行列式就是局部体积伸缩率。在有限元法中,每个网格单元都是标准单元(正方形/四面体)经映射得到的,其 Jacobi 行列式必须处处为正——若在某处变号或为 ,说明网格单元被"翻转"或退化,计算会崩溃。因此网格质量检查的核心指标之一就是 Jacobi 行列式的符号与大小。
  1. 概率论与统计 多元随机变量做一一变换时,密度函数要乘上 Jacobi 行列式的绝对值(或它的倒数,取决于换元方向)。Box–Muller 变换(把两个均匀分布变成正态分布)、MCMC 中的变量变换、Copula 构造都依赖这一公式(第 12 章会用到,见 12-3-多元高斯与加权最小二乘)。
  1. 数值线性代数:体积与条件数 由于 (奇异值之积),行列式衡量的是"整体体积缩放",而条件数 衡量的是"形状有多扁"。两者结合才能解释数值行为:单位球被 映成一个椭球, 给出椭球体积、 给出长短轴之比。这就是为什么" 很小"既不充分也不必要地意味着奇异—— 的 极小,但它是最良态的矩阵之一。详见 11-2-范数与条件数。
  1. 体积保持变换 的变换保持体积:旋转、剪切、不可压缩流体的流动映射、Hamiltonian 力学中的辛变换都满足 。流体力学中"不可压缩"的数学表述正是速度场映射的 Jacobi 行列式恒为 。

七、易错点

十四个高频错误

1. 是换列不是换行。克莱姆法则把第 列换成 ,且解的编号 与列号对应;换成行是完全不同的(错误的)操作。

2. 忽略前提条件。必须是" 个方程 个未知数 + "。方程个数与未知数个数不等时根本不能写 ; 时可能是无解,也可能是无穷多解,克莱姆法则对此给不出任何结论。

3. 伴随矩阵忘记转置。 是代数余子式矩阵的转置,即 。不转置就得不到 。

4. 把 记成 。正确公式是 ,可代入 检验: 的伴随是 ,其行列式为 ,正好是 。

5. 对奇异矩阵写 。 时 不可逆,但 仍然可以有非零元( 时 )。这个式子在 时无意义。

6. 面积/体积忘了取绝对值。符号是定向信息,不是"负面积"。做题时若问"面积/体积",一律取 ;若问"带符号体积"或"定向",才保留符号。

7. 误以为 就意味着 。降维不等于零变换: 的像是一条直线,不是原点。

8. 换元公式漏掉 Jacobi 因子或方向搞反。:因子必须取绝对值;且分母是"新变量"、分子是"旧变量",写反了会得到倒数关系。极坐标漏掉 会把 算成 。

9. 把形式行列式的第一行当成真实元素。 中的 只是占位符,不能真的去做数值消元——它是"按第一行展开"的记忆法。

10. 认为几何论证已经证明了 。体积论证只给出 ,符号部分必须补代数论证(3.4 节)。同理,几何图像也说明不了 (它根本没有乘法的好性质)。

11. 在数值代码里用克莱姆法则或伴随矩阵求逆。、 的复杂度加上没有选主元的稳定性,实际工程中必须用 LU 分解(numpy.linalg.solve)或 QR。

12. 把""直接读成"无解"。 有两种结局:无解或无穷多解。必须比较 与 (等价地:消元后看是否出现 且 的行)。本篇例题 9、例题 11 都同时出现了这两种情形——它们是同一个 的两种不同结局。

13. 齐次方程组的判据记反。正确的是: 只有零解; 有非零解。求参数题一旦记反,答案整体相反。另外要记住:齐次方程组永远不会"无解"(零向量永远是解),所以"不是唯一解"就等于"有无穷多解",这一点让齐次题比非齐次题好做得多。

14. 在含参数题里只回答" 时无解"。 求出的只是候选参数值;题目若问"解的情况",必须逐个参数值给出"无解 / 无穷多解 + 通解"的完整结论(例题 9 的结论汇总表就是标准答法)。


八、练习题 练习 1(基础,克莱姆法则) 用克莱姆法则解

练习 2(基础,伴随矩阵) 设 。求 、,并验证 。

练习 3(进阶,面积) 求以 、、 为顶点的三角形的面积。

练习 4(进阶,三重积) 设 、、。求三重积 ,判断三向量是否共面,并求以它们为棱的平行六面体体积与相应四面体体积。

练习 5(思考,换元与代价)

(1)用极坐标计算 ,其中 是圆盘 。

(2)若 ,用"消元法算行列式"作为基本工具,克莱姆法则大约比一次 LU 分解 + 回代慢多少倍?实际运行中差距会比这个倍数更大还是更小?为什么?

<details>

<summary>练习题答案(点击展开)</summary>

练习 1 系数矩阵 ,

验证: ✓; ✓。

练习 2 。按 伴随公式(主对角互换、副对角变号):

验证:

这个结果与 numpy.linalg.inv 官方文档中的示例一致。

练习 3 把 平移到原点:

练习 4

故三向量不共面(线性无关)。平行六面体体积 ;相应四面体体积 。(可直接验证: 矩阵 是下三角,行列式 。)

练习 5

(1)取 、,,,区域为 、:

(2)克莱姆法则要算 个 阶行列式,每个 ,合计 ;相对一次 的 LU 分解,慢约 倍(同一常数下)。实际差距更大,因为:每次都要复制矩阵(内存拷贝 , 次)、要调用 次行列式例程(函数调用与内存分配开销)、并且没有共享 LU 分解的结果。经验上小规模问题()中,克莱姆法则的实际耗时可能是一次 solve 的几百倍。

</details>


九、常见问题 FAQ Q1:克莱姆法则既然又慢又不稳定,为什么教材还要讲?

因为它的价值不在计算,而在结构与理论:

  1. 它把解写成"数据的有理函数",直接给出了灵敏度公式 ——这是消元法给不出的显式关系;
  2. 它证明了唯一性,并由此推出推论 1(齐次方程组有非零解 ),这是特征值理论 的直接来源(6-1-特征值引论);
  3. 在 且元素含参数时,它给出的表达式最便于做符号分析(电路、力学中的公式推导);
  4. 它是"行列式"这一概念在解方程问题中的历史起点,理解它有助于理解行列式为什么被发明出来。

Strang 在 5.3 节的处理方式很有代表性:先把克莱姆法则讲清楚,再明确说"我们不会用它来算",真正的计算永远走消元。

Q2: 时方程组一定无解吗?

不一定。 只说明 不可逆、解不唯一,具体情形要看 是否在列空间 内:

  • :无解;
  • :有无穷多解,通解 = 一个特解 + 零空间的任意向量()。

这也是为什么克莱姆法则的前提必须写清楚。完整判据见 3-3-Ax=b的完整解。

Q3:为什么行列式的绝对值是面积/体积,符号又代表什么?我能不能只算绝对值?

  • 给出体积的伸缩倍数,这是"度量"信息;
  • 的符号给出定向:正号表示保持右手系、负号表示翻转(镜像)。符号不是可有可无的装饰: 之所以成立(而不是只对绝对值成立),正因为符号也有乘法结构;在换元积分中,符号与积分区域的定向、在特征值问题中符号与"是否有负特征值"(正定性判定)都直接相关。
  • 具体做题时:问"面积/体积"就取绝对值;问"定向/绕序/正定性/带符号体积"就保留符号。

Q4:为什么 numpy 算出的行列式与手算不完全一样? 很小就说明矩阵奇异吗?

两个独立的问题,都很重要。

(1)浮点误差。 numpy.linalg.det 按文档说明是先做 LU 分解(LAPACK getrf)再取 的对角元连乘,所以结果带有 次乘法累积的舍入误差,病态矩阵上还会被 放大。因此 det(A) 可能打印 -8.999999999999998。比较时用 np.allclose 或 np.round,不要用 ==。整数矩阵想得到精确结果,可以用 fractions.Fraction 手写消元或使用符号计算库。

(2) 小 ≠ 奇异。 判断矩阵是否奇异应当看条件数或最小奇异值,而不是行列式的大小: 受矩阵整体尺度影响, 的 却完全良态;反过来,一个 的矩阵也可能极度病态。这也是"行列式适合做理论判据、不适合做数值判据"的原因,详见 11-2-范数与条件数。


本篇小结

一页纸回顾

1. 克莱姆法则(只回答"唯一解"的问题)

条件: 个方程 个未知数,且 。结论:

其中 是把 的第 列换成右端项所得的行列式。

- 唯一解;

- 无解 或 无穷多解(必须代回判断,比较 与 )。

2. 齐次方程组(国内考试最高频结论)

齐次方程组 有非零解,当且仅当

等价地: 是 的特征值(6-1-特征值引论 推论 1)。

含参数题套路:算 → 令 求参数 → 逐一代回求基础解系与通解(例题 10)。

3. 伴随矩阵

记得转置:(例题 12 用克莱姆法则推出了整条公式)。

4. 体积与定向(本篇的几何半边)

= 体积伸缩因子,符号 = 定向;; = 平行四边形面积;三重积 = 带符号体积;Jacobi 行列式 = 局部体积伸缩率。

5. 三个最容易搞混的地方

- 不等于无解(要分成无解 / 无穷多解两种结局);

- 伴随矩阵必须转置(,不是 );

- 问"面积 / 体积"取绝对值,问"定向 / 正定性 / 带符号体积"才保留符号。

6. 下一步:本篇的推论 1'(齐次方程组有非零解 )在第 6 章变成特征值问题—— 就是它的参数版本,而""使" 是特征值"(6-1-特征值引论)。当 且方程组无解时,工程上的正确出口是最小二乘解(4-3-最小二乘逼近);而判断"无解 / 无穷多解"、并写出通解的完整工具是秩与四个子空间(3-3-Ax=b的完整解、3-5-四大子空间的维数)。

相关笔记

  • 5-1-行列式的性质——三条基本性质、 的代数证明;本篇用它证明了克莱姆法则与乘法定理。
  • 5-2-排列与代数余子式——余子式与代数余子式、按一行(列)展开定理、异乘变零定理,以及拉普拉斯定理(按 行展开)的完整表述与例题;本篇的伴随矩阵公式完全依赖该篇的定理 5。
  • 2-4-矩阵运算与逆矩阵—— 求逆公式、Gauss–Jordan 消元求逆;本篇给出"用行列式写出逆矩阵"的封闭形式,并说明它为什么不适合实际计算。
  • 4-4-标准正交基与Gram-Schmidt——Gram 行列式与体积的关系( 体积的平方);本篇例题 5 用它独立验证了叉积的模。
  • 6-1-特征值引论—— 是克莱姆法则推论 1 的直接应用,特征值之积等于 也源于行列式的体积意义。
  • 11-2-范数与条件数—— 与条件数 的分工:一个量体积、一个量形状。
  • 10-5-图形学与密码学——叉积、定向与变换矩阵的行列式在图形学与密码学中的应用。
  • 3-3-Ax=b的完整解—— 时"无解 / 无穷多解"的完整判据与"特解 + 零空间"的通解写法;本篇 3.1.1 节的定理 1'' 与例题 9、11 的每一步判断都用到它,这是 5-3 与第 3 章之间最重要的一座桥。
  • 3-5-四大子空间的维数——;"无穷多解"到底有多少维(自由变量个数 )由它回答,而 时 、解集退化为一个点。
  • 2-2-消元法的思想——3.3 节说明克莱姆法则"漂亮但不好用"之后,替代品就是消元法:实际解方程组、判断相容性、求通解的全部操作都在消元里完成。
  • 4-3-最小二乘逼近—— 且 时方程组无解,工程上不再追求精确解,而是投影到列空间求最小二乘解;这是"克莱姆法则失效之后"的标准出口,也是 11-2-范数与条件数 中" 小不代表奇异"的实用理由。
  • 附录-矩阵分解总览——本篇的 是封闭形式,实际计算走的是 (解方程)、(最小二乘)、(秩亏与降维);四种分解的代价与适用条件对比都在那一页,读完本篇 3.3 节再去看效果最好。
  • 11-3-迭代方法与预条件——当 大到连 的 LU 都嫌慢(大型稀疏矩阵:电路、有限元、PageRank)时,改用 Jacobi、Gauss–Seidel、共轭梯度等迭代法;克莱姆法则的 在这种规模下完全不可想象,即便是伴随矩阵求逆的 更是如此。

参考来源 在线课程与公开资料

教材

  • Gilbert Strang, Introduction to Linear Algebra, 5th ed., Wellesley–Cambridge Press, 2016,第 5 章 5.3 节(Cramer's Rule, Inverses, and Volumes)。
  • 同济大学数学系《线性代数》(第七版),高等教育出版社——第 1 章第 6 节(克拉默法则)、第 2 章(伴随矩阵 与逆矩阵公式)。
  • 微积分教材中的重积分换元与 Jacobi 行列式(极坐标、柱坐标、球坐标的 Jacobi 因子)。

记号差异提示

国内教材把伴随矩阵记作 ,英文教材与 numpy/scipy 生态用的是 ;两者定义相同(代数余子式矩阵的转置)。另外有的书把""写作""。本库以 与 为主,遇到国内习题时按授课教材记号转换即可。